基于弱监督学习的玉米苗期植株图像实例分割方法

基于有监督深度学习的图像分割任务通常利用像素级标签来保证模型的训练和测试精度，但受植株复杂形态影响，保证像素级标签精度的同时，时间成本也显著提高。为降低深度模型训练成本，同时保证模型能够有较高的图像分割精度，该研究提出一种基于边界框掩膜的深度卷积神经网络（Bounding-box Mask Deep Convolutional Neural Network，BM-DCNN），在有监督深度学习模型中融入伪标签生成模块，利用伪标签代替真值标签进行网络训练。试验结果表明，伪标签与真值标签的平均交并比为81.83%，平均余弦相似度为86.14%，高于Grabcut类方法生成伪标签精度（与真值标签的平均交并比为40.49%，平均余弦相似度为61.84%）；对于玉米苗期图像（顶视图）计算了三种人工标注方式的时间成本，边界框标签为2.5 min/张，涂鸦标标签为15.8 min/张，像素级标签为32.4 min/张；利用伪标签样本进行训练后，BM-DCNN模型的两种主干网络当IoU值大于0.7时（AP70），BM-DCNN模型对应的实例分割精度已经高于有监督模型。BM-DCNN模型的两种主干网络对应的平均准确率分别为67.57%和75.37%，接近相同条件下的有监督实例分割结果（分别为67.95%和78.52%），最高可达到有监督分割结果的99.44%。试验证明BM-DCNN模型可以使用低成本的弱标签实现高精度的玉米苗期植株图像实例分割，为基于图像的玉米出苗率统计以及苗期冠层覆盖度计算提供低成本解决方案及技术支持。

Instance segmentation method of seedling maize plant images based on weak supervised learning